基于伪标记分割学习的多类目标计数
计算机视觉与模式识别
2023-07-18 v1
摘要
类无关计数（CAC）在各个领域有众多潜在应用。其目标是在测试时仅基于少量标注样本来计数任意类别的目标。本文指出，当图像中存在多个目标类别时（即多类目标计数），计数感兴趣目标对当前目标计数模型尤为困难。它们常贪心地计数每个目标而不顾样本。为解决这个问题，我们提出在计数前通过基于样本的分割模型定位包含感兴趣目标的区域。此处的关键挑战是缺乏训练该模型的分割监督。为此，我们提出一种仅使用边界框样本和点标注来获取伪分割掩码的方法。我们表明，在这些伪标记掩码上训练的分割模型能基于样本有效定位任意多类图像中的感兴趣目标。为评估不同方法在多类计数上的性能，我们引入两个新基准：一个合成多类数据集和一个包含多类物体的真实图像新测试集。我们提出的方法在这两个基准上相比先前 CAC 方法展现出显著优势。
引用
@article{arxiv.2307.07677,
title = {Learning from Pseudo-labeled Segmentation for Multi-Class Object Counting},
author = {Jingyi Xu and Hieu Le and Dimitris Samaras},
journal= {arXiv preprint arXiv:2307.07677},
year = {2023}
}